施工-110.HTML - 文章专栏 - 模袋云
马里乌什·戈尔奇卡，R&；金斯潘的一位高级结构工程师想知道，我们是否已经准备好迎接人工智能和神经网络
所承诺的数字独创性水平。作为金斯潘研究团队的一员，我热衷于结构力学的发展，以及如何进一步促进建筑环境的技术发展。作为我硕士论文的一部分，我正在研究人工智能（AI）和机器学习（ML）在AEC行业中的应用。我的研究着眼于人工智能和机器学习如何塑造我们的工作方式，如何管理和交付项目，最重要的是，他的问题是，该行业是否准备好接受这种水平的数字独创性。
面向建筑师和工程师的人工智能尽管人工智能技术在过去70年里一直在缓慢发展，但公众对人工智能的关注最近迅速增加，
这已不是什么秘密。
如果我们考虑到在过去的几十年里，结构力学一直在发展预测应变和应力的精确理论模型，并且这些理论模型需要一组固定的输入参数，如材料属性、边界条件等。产生诸如挠度、应力等结果——毫不奇怪，这是一个相当复杂和耗时的过程。因此，由于这些复杂性，经常需要有经验的工程师为其他方解释结果。这就是人工智能可以支持这种发展水平的地方，通过使用现成的整理数据来预测行为和简化研究过程。
我们E还可以查看建筑师、工程师和承包商在有限的项目预算下协同工作的迭代性质如何具有其复杂性。克服项目障碍的成熟解决方案通常比创新和突破性的想法更受青睐，但这种情况可以通过引入工具来改变，这些工具可以提供对实际结果的快速而准确的预测——这又是人工智能的工作。
给出快速而准确结果的模型称为降阶模型。模型或元模型，并且可以基于AI方法。元模型通常需要较少的输入参数，并在较短的时间内提供结果。元模型的一些示例可能包括预测复杂建筑几何结构上的风荷载[1]、估计剩余结构使用寿命[2]或根据混合物成分比例预测混凝土强度[3]。
引入这些方法无疑会在时间和成本上产生项目效率。当他们还在早期的时候Doption阶段，用不了多久，这就会成为一种经过验证的首选解决方案。
<！--Develop3D Ads 300x250 inarticle 7p-->人工智能与神经网络
对于任何基于人工智能的解决方案来说，最关键的元素是用于流程的底层数据。数据包含可以收集或生成的输入和输出的示例。重要的是，数据必须代表任务，以便创建可靠的模型。出几个D不同类型的模型，人工神经网络（Ann）已被证明在大多数情况下优于其他模型。
人工神经网络是受生物神经网络启发的计算系统，其有效地复制活体大脑的元素，并且是ML中最常用的工具之一，因为它们被设计为复制人类学习的方式。
这样的系统通过考虑活动的例子和测量重复的输出来“学习”执行任务——它们是E擅长发现模式，这些模式对于人类程序员来说通常过于复杂，无法手动提取和教授机器。
Ann的架构包含以三层结构组织的神经元——三组层通常被命名为：输入层、隐藏层和输出层。
神经元通过权重在这些层之间连接，而权重在过程开始时是未知的。在学习过程中调整这些权重。
到目前为止在使用Ann的行业中，只创建了“专用”元模型。这意味着为特定结构构建的元模型不能被重用于类似的结构或任何其他改变的资产（这限制了元模型的实用价值）。
然而，佐治亚理工学院的M.Nourbakhsh的研究提出了一组25个参数，用于描述具有1D结构元素的任何结构中的任何结构元素。这种方法产生了一个元模型，它可以是AP适用于各种不同的结构，因此是“可推广的”[4]。这个解决方案的潜力是巨大的。这样的元模型可以作为智能助手，帮助设计师做出更好的决策。助理可以在后台运行，并对多个项目的每个决策提供近乎即时的反馈。
工作环境和数据流
构建“泛化”元模型的想法是最近才引入的。因此，在任何实际之前由于AEC行业中没有人可以依赖黑盒机制，因此需要对应用程序进行练习和测试。从而为我的研究创造了一个绝佳的机会和场所。
缺乏公开可用的数据意味着我必须为我的研究目的获取新的数据。手动创建结构模型和提取数据将极其耗时，并且可能无法在给定的时间范围内完成。相反，所需的数据是半自动生成的在Autodesk Dynamo及其与其他应用程序的连接的帮助下。图1显示了软件的使用以及我如何在不同部分之间进行连接，因此创建了一个参数化环境。
这种新的参数化工作环境允许高度自动化的过程，为此，总共使用三个独特的参数化模型创建了示例结构的12种不同几何形状，每个模型都由单个参数控制。我的模型包含3D空间框架和三维空间桁架（这些结构的例子可以在图2中看到）具有相同的边界条件分配给相同类型的结构。
模型中的结构元素数量从250到1600不等。总共有300多万名成员被创建、分析并最终用于模型培训。为了确保数据的可变性，在运行结构分析之前，每个成员都被分配了一个随机横截面。考虑到这一点，您可以看到T从字面上看，没有机会生成两个完全相同的模型。
